基于纹理特征的地基云分类识别研究

云是一种重要的天气现象,云观测对当时天气系统的观测具有很强的指导意义,同时云的变化趋势也是预测未来天气的一项重要指标?目前对遥感卫星云图的研究取得了较丰富的成果,但地基云图分类识别研究取得的成果则比较有限,地基云图的研究一直是模式识别中的难点?采用标准气象站地基云图数据,选取了浓积云?积雨云?雨层云等5类常见的云类,并将Gabor小波变换应用于地基云图的纹理特征数据提取,运用实验法选取了Gabor小波变换的最优参数?将地基云图纹理特征数据运用到最短距离和包含BP神经网络的陀螺分类器构造成的地基云图分类系统,从而实现了对地基云图的分类?实验结果表明,该方案不仅能够有效地运用于地基云图分类,而且分类效果也是比较理想的?     

基于ESS模型的云状自动识别方法

为了提高云图自动识别的准确率,提出了一种新的云状自动识别方法。基于湍流标度理论,将湍流的标度特征应用于云图的自动识别和分类中,对云图的灰度数据进行扩展自相似(ESS)模型标度分析,提取云图的标度指数特征,利用不同云系的标度特征识别云图。选用支持向量机作为分类器,对波状云、层状云、积状云、卷云和晴空5种云图进行识别。研究结果表明,通过提取ESS模型标度特征进行典型云状识别的准确率接近或超过90%。由于具有较强的显著性,基于湍流标度理论提取云图特征对云状识别方法是一个很好的补充。     

地基云图识别的光照补偿算法

为研究地基云图云状识别中的光照补偿问题,针对可见光地基云图,提出了一种基于BEMD与Closed-Form景物提取算法相结合的地基云图光照补偿算法对云图进行预处理,经过去光照处理后的云图,再进行Hilbert谱特征提取,最后进行云类的识别。与基于L1的全变分模型的光照补偿算法相比,可有效地去除云图的光照影响,又不至于去掉云图自身的信息,且与背景区别明显。试验结果表明,使用该方法与未进行处理的云图相比识别率提高4.17%~18.88%。     

基于遗传算法的蔬菜缺素叶片图像特征选择研究

在基于计算机视觉技术的无土栽培蔬菜营养元素缺乏智能识别研究中，如何选择缺素叶片分类能力强的特征项组合是识别诊断面临的关键问题，利用遗传算法对提取的缺素叶片图像众多颜色和纹理特征项进行优化选择，以达到诊断识别用的信息最优，实验表明，经过优化的特征组合明显优于人工选择的特征组合分类能力。     

基于HTTP响应报文的物联网终端设备识别方法

随着物联网的快速发展，物联网终端设备的识别技术研究已经成为网络空间安全领域的热点之一。针对类型、品牌、型号等不同层面的设备识别需求，传统物联网终端设备识别方法局限于高维特征向量和单一分类算法的固定组合，为了提高算法效率并寻找较优算法组合，本文提出一种基于HTTP协议响应报文的物联网终端设备识别方法，以HTTP协议响应报文的相关协议字段特征作为输入并进行归一化、标准化处理，通过随机森林算法对特征进行筛选排序得到特征序列，最终基于特征序列，结合不同的分类算法和特征组合对物联网设备进行分类识别。实验结果显示，在收集的数据集中，该方法在设备类型、品牌、型号3个层面分别采用5个、3个和7个不同特征组合并结合不同分类算法，平均提升设备识别准确率18.6%并大大节省了特征空间，实现了低维度特征下稳定高效的识别效果。     

基于PAD模型的级联分类情感语音识别

针对声学特征(韵律特征和MFCC特征)对情感语音的分类识别性能不理想的问题,提出了一种将声学特征与情感语音PAD数据相结合的级联分类方法用于情感语音识别。首先提取情感语音的声学特征,对特征分别单独识别与组合识别,对比建立最优特征集合。然后将声学特征组合与情感语音PAD数据相结合,分两步逐级地判断出输入语音所属的情感类型。该方法在TYUT2.0情感语音数据库上得到了较好的结果,情感分类识别率相较于传统声学特征的分类识别率提高了15.4%.     

夜间静止卫星红外云图的GHSOM网络云分类模型

针对夜间云分类准确率低下的问题,利用奇异值分解方法对FY-2E夜间红外云图进行特征提取和选择,从中筛选出包括亮温和分裂窗差值在内的不同的纹理特征。分别采用动态增长型分层自组织和自组织映射2种神经网络模型对夜间云图进行分类,并将2种网络模型的分类效果进行对比分析。实验结果表明:GHSOM网络模型在夜间云图分类方面效果较好,平均准确率总体上高于SOM,通过分层的分类方法极大地提高了夜间云图的分类准确率。     

特征组合的中文音乐情感识别研究

音乐情感识别是音乐检索的一个重要组成部分.基于音乐声学特征分析,尝试提取代表音乐声学特性的时域、频域、倒谱域的各种特征,并利用支持向量机(support vector machine,简称SVM)算法对中文音频进行情感分类,以研究不同特征组合在音乐情感分类上的效果.通过对比各种不同特征组合的音乐情感识别效果,发现由4个时域特征、频谱、幅度谱和相位谱组成的音乐特征对中文音乐情感分类的效果良好.     

多光谱卫星云图的SOFM-PNN网络耦合的云分类模型

针对单一类型的神经网络分类器难以正确区分和有效识别复杂云类特征的缺陷,本文基于静止气象卫星云图多光谱云类样本,通过计算、分析云图灰度、梯度与纹理特征,提取了云分类最佳判别因子,建立了自组织网络（SOFM）与概率神经网络（PNN）的综合云分类器优化模型．该分类器首先利用自组织网络对云类样本进行无监督初始分类,确定出相似样本子集;随后用概率神经网络对初始分类误差进行有监督修正和分类结果的二次优化判别．试验结果表明,该分类器可有效提高云类判别效果,分类结果的总正确率达到92．4％,Kappa系数为90．82,明显优于单一的统计分类器判别效果．     

SVM与组合矩在工件识别中的应用研究

针对工件识别问题,提出了一种应用支持向量机(Support Vector Machine,SVM)与组合矩对工件进行识别的方法;通过对提取图像的Hu不变矩进行处理,形成利用组合矩进行工件识别的新方法;改进后的算法降低了特征维数,缩减了识别时间,提高了识别准确率;结合试验比较了两种方法的分类效果,其中提取Hu不变矩作为特征的识别率为82.3%,而采用组合矩作为特征的识别率高达94.1%,高于Hu不变矩作为特征的识别率.     

基于最小二乘支持向量机和高分辨率遥感影像的大尺度区域岩性划分

基于大尺度区域分割的理念,提取高分辨率遥感图像中与岩性相关的纹理、形状、光谱信息,利用最小二乘支持向量机(LS-SVM)在非线性预测中的优势,对研究区地质岩性进行识别。首先对高分辨率图像中与岩性相关的光谱、纹理、形状、高程等特征信息进行样本选取,选取过程中以图像的纹理为主要特征信息,同时以J-M距离、转换分类度为依据选取最优特征空间,采用因子分析变换降维对特征空间进行压缩,实现特征信息最优化;然后对已知样本进行训练,建立分类模型,评价模型精度;最后利用模型对研究区进行岩性划分,并进行分类后处理。研究结果表明:基于LS-SVM的分类方法在利用高分辨率遥感图像岩性识别中表现良好,为地质岩性分类提供了一种新的方法和手段;加入纹理等信息后的LS-SVM分类模型更加利于岩性的判别。     

基于LTCP特征的计算机生成图像鉴别算法

针对目前计算机生成图像鉴别算法在对图像纹理特征进行鉴别时精度较差的问题, 提出一种基于长期控制计划(LTCP)特征的计算机生成图像鉴别算法. 首先将彩色图像变换到颜色模型中, 对图像进行下采样, 获得较高尺度的纹理信息; 然后采用基于LTCP特征和共生矩阵的计算机生成图像盲鉴别算法, 对不同尺度的纹理图像LTCP特征及相邻像素一致性共生矩阵特征进行采集; 最后通过判别分类器对LTCP特征及相邻像素一致性共生矩阵特征实施分类预测, 根据分类预测结果实现计算机生成图像的鉴别. 实验结果证明, 该算法在计算机上生成的图像特征维度较低, 鉴别率和精度较高, 能实现计算机生成图像的准确鉴别.     

基于灰度共生矩阵的高效积分图像计算(英文)

基于局部特征描述符的主要方法正在被用于纹理分类、目标检测和识别.灰度共生矩阵(GLCM)是一个体现纹理图像的很流行的方法,也被证明是一个非常强大的纹理分析工具.灰度共生矩阵所带来的子图像重叠非常严重,要花大量的时间去计算.本文提出一种高效灰度共生矩阵的计算方法,并通过实验结果来显示其效率.     

用支持向量机实现尺度和旋转不变性纹理分类

提出了一种简单的尺度和旋转不变性纹理分类方法．首先使用对数-极坐标变换对要分类的各纹理图像进行变换,生成对数-极坐标图像;然后以对数-极坐标图像的正则化以后的行投影数据向量构成纹理图像的特征向量;最后运用支持向量机实现尺度和旋转不变性纹理图像的分类．实验结果表明,该方法在尺度和旋转不变性纹理图像的分类中,准确率可达90％以上．     

基于纹理合成的打印文件鉴别

为解决现有打印文件鉴别方法需要相同字符匹配的条件限制,提出了一种基于纹理合成的打印文件鉴别方法。通过对已知纹理样本块的操作,将字符图像中的空白部分修复,得到完整的纹理图像,从而消除字符内容的干扰。在打印文件鉴别实验中,通过提取完整纹理图像的灰度共生矩阵特征,并对两份打印文件的特征距离进行分类判别,最后取得了98%的正确率。     

基于综合特征的Bp_adaboost工业仪表图像分类方法

针对工业场景图像背景复杂,受多种因素影响、利用单个特征完成工业仪表图像分类不能达到满意效果的问题,提出了一种综合利用图像的颜色和纹理特征,通过Bp_adaboost的方法对工业仪表图像进行分类的方法。首先基于HSV空间进行低阶颜色矩特征提取;然后基于灰度共生矩阵进行纹理特征提取;最后用17维综合特征向量对工业仪表图像进行Bp_adaboost分类学习和测试。实验结果表明,该方法对液位控制系统工业仪表与液位容器设备图像能取得较好的分类结果。     

基于多任务学习及Faster R-CNN的SAR目标图像识别分类

针对合成孔径雷达(SAR)目标图像识别分类中分类特征利用率低、精度差及图像特征提取时运算复杂、效率差的问题,利用非下采样剪切波变换(NSST)方向敏感性和平移不变性提取SAR目标图像的光谱纹理特征,构建基于Faster R-CNN(region-based convolutional neural network)的可同时完成目标图像识别、鉴别及分类的多任务网络模型。实验结果表明,该方法在有限的SAR图像数据支持下仍有较好的识别率,且算法优于传统的神经网络(NN)、支持向量机(SVM)及基于稀疏表示(Sc SPM)等分类方法。在MSTAR公开数据库上,平均识别率达到98.13%。     

基于二元树复小波和SVD不变性的纹理图像分类算法

针对双树复小波变换(DT-CWT)用于图像的纹理特征提取时,不具有旋转和尺度不变性的局限,提出了一种基于DT-CWT和SVD的纹理分类算法.该算法首先利用DT-CWT从图像中提取出纹理特征,然后对纹理特征进行奇异值分解获得具有旋转和尺度不变性的特征向量,采用BP神经网络作为分类器,并提出改进的BP算法训练网络,使得网络很快找到全局最优解.将本方法与其他的分类算法进行比较,实验结果表明,本算法具有较高的分类正确率.     

基于灰度共生矩阵的新疆地方性肝包虫CT图像特征提取方法

 特征提取是图像理解与分析的关键。为提取表征新疆地方性肝包虫病的CT影像特征,提出一种基于灰度共生矩阵对肝脏和包虫病灶进行特征提取的方法。首先,对肝脏CT切片图像进行归一化,利用中值滤波和直方图均衡化对肝脏及病灶区同时进行去噪和增强,从而得到更清晰的灰度图像;然后进行灰度级压缩,利用基于灰度共生矩阵的纹理特征提取方法分别提取新疆地方性单囊型、多囊型肝包虫和正常肝脏CT图像的角二阶矩、熵、惯性矩、逆差分矩及相关性的均值和标准差作为纹理特征。统计分析发现,单囊型和多囊型肝包虫CT图像在角二阶矩、熵和逆差分矩等方面存在显著差异,具有统计学意义。最后,采用Bayes判别分类,分类正确率达到93.33%。结果表明,研究采用的纹理提取方法对描述肝包虫CT图像特征具有较理想的效果,一定程度上有助于对肝包虫CT图像进行分类和检索。